论文部分内容阅读
光栅投影测量技术具有非接触、设备简单、测量速度快、精度高及对环境光鲁棒性强等优点,被广泛应用于智能制造、虚拟现实、文物保护及医疗诊断等领域。基于相移法的光栅投影测量技术所需投影图像数量较多,常应用于静态三维测量系统中,面对动态场景存在一定应用困难。因此如何在保持精度的同时减少投影图像数量成为近年来研究热点。与此同时,深度学习及卷积神经网络的蓬勃发展也为减少投影图像数量提供了新的思路。本文围绕利用卷积神经网络减少投影图像帧数展开深入研究,主要创新及工作如下:(1)本文提出了一种基于卷积神经网络的双帧图像绝对相位求解方法。该方法通过投影条纹和散斑两帧图像,利用条纹图像通过卷积神经网络获得包裹相位,并对包裹相位求解策略进行详细分析;再利用散斑图像高空间分辨度特点通过卷积神经网络获得条纹阶次。由于传统随机散斑图像特征尺度较小,不利于卷积神经网络提取特征,本方法对散斑图像进行二值化处理以适应相位展开任务。同时,针对包裹相位与条纹阶次错位引起的绝对相位误差问题提供了修正方法。实验结果表明该方法可以仅根据双帧被测场景图像得到较高精度绝对相位。(2)本文提出了一种利用单帧条纹图像进行绝对相位恢复的方法,进一步减少了投影图像帧数。本方法延用(1)中卷积神经网络结构求解包裹相位,并设计了新的网络结构仅用单帧条纹图像获得条纹阶次,完成相位展开。由于从单帧条纹图像提取特征信息以获得条纹阶次难度较大,采用参考平面条纹阶次信息辅助相位展开。本方法中参考平面仅需预拍摄一次即可,在实际测量过程中无需重复拍摄,所以并不会对测量速度产生影响。实验表明该方法可以有效恢复动态场景下的绝对相位。(3)最后,本文搭建了一个单帧光栅投影测量系统,利用从单帧条纹图像获得的绝对相位配合系统标定参数实现三维重建。实验表明本文提出的单帧绝对相位求解方法可以成功应用于光栅投影测量系统中,为动态三维重建任务提供了可行性参考方案。